25/1/4 算法笔记＜强化学习＞ 生成对抗模仿学习

        基于生成对抗网络的模仿学习，假设存在一个专家智能体，其策略可以看成最优策略，我们就可以通过直接模仿这个专家在环境中交互的动作数据来训练一个策略，并不需要用到环境提供的奖励信息。

        生成对抗模仿学习GAIL实质上就是模仿了专家策略的占用度量，即尽量使得策略在环境中的所有状态动作对(s,a) 的占用度量和专家策略的占用度量一致。

        占用度量表示状态动作对(s,a) 被访问到的概率。

        GAIL中有一个判别器和一个策略，策略相当于生成对抗网络中的生成器，给定一个状态，策略会输出这个状态下一个采取的动作，而判别器将状态动作对(s,a) 作为输入，输出一个0到1的实数，表示判别器认为该状态动作对(s,a) 是来自智能体策略而非专家的概率。判别器的目标是尽可能将专家数据的输出靠近0，将模仿者策略的输出靠近1，这样就可以将两组数据分辨开来。

        有了判别器之后，模仿者策略的目标就是其交互产生的轨迹能被判别器误认为专家轨迹。于是，我们就可以用判别器的输出作为奖励函数来训练模仿者策略。具体来说，若模仿者策略在环境中采样得到状态S ,并且采取动作a ,此时该动作对（s,a）会输入到判别器D中，输出D(s,a)的值，然后将奖励设置为r(s,a) = -logD(s,a)。于是，我们可以用任意强化学习算法，使用这些数据继续训练模仿者策略。最后，在对抗过程不断进行后，模仿者策略生成的数据分布将接近真实的专家数据分布，达到模仿学习的目标。

代码实践：

生成专家数据

首先我们需要一定量的专家数据，为此，预先通过PPO算法训练出一个表现良好的专家模型，再利用专家模型生成专家数据。

import gym
import torch
import torch.nn.functional as F
import torch.nn.as nn
import numpy as np
import matplotlib.pyplot as plt
from tqdm import tqdm
import random
import rl_utils

class PolicyNet(torch.nn.Module):def __init__(self,state_dim,hidden_dim,action_dim):super(PolicyNet,self).__init__()self.fc1 = torch.nn.Linear(state_dim,hidden_dim)self.fc2 = toech.nn.Linear(hidden_dim,action_dim)def forward(self,x):x = F.relu(self.fc1(x))return F.softmax(self.fc2(x),dim=1)

class ValueNet(torch.nn.Module):def __init__(self,state_dim,hidden_dim):super(ValueNet,self).__init__()self.fc1 = torch.nn.Linear(state_dim,hidden_dim)self.fc2 = torch.nn.Linear(hidden_dim,1)def forward(self,x):x = F.relu(self.fc1(x))return self.fc2(x)

class PPO:def__init__(self,state_dim,action_dim,actor_lr,critic_lr,lmbda,epochs,
eps,gamma,device):self.actor = PolicyNet(state_dim,hidden_dim,action_dim).to(device)self.critic = ValueNet(state_dim,hidden_dim).to(device)self.actor_optimizer = torch,optim.Adam(self.actor.parameters(),lr = actor_lr)self.critic_optimizer = torch.optim.Adam(self.critic.parameters(),lr = critic_lr)self.gamma = gammaself.lmbda = lmbdaself.epochs= epochs#一条序列的数据用于训练数据self.eps = eps #PPO中截断范围的参数self.device = devicedef take_action(self,state):state = torch.tensor([state],dtype=torch.float).to(self.device)probs = self.actor(state)action_dist = torch.distributions.Categorical(probs) #离散概率发布action = action_dist.sample()return action.item()def update(self,transition_dict):state = torch.tensor(transition_dict['states'],dtype=torch.float).to(self.device)actions = torch.tensor(transition_dict['actions']).view(-1,1).to(self.device)rewards = torch.tensor(transition_dict['rewards']).view(-1,1).to(self.device)next_states = torch.tensor(transition_dict['next_states']).view(-1,1)
.to(self.device)dones = torch.tensor(transition_dict['dones']).view(-1,1)
.to(self.device)td_target = rewards + self.gamma * self.critic(next_states) * (1-dones)td_delta = td_target - self.critic(states)advantage = rl_utils.compute_advantage(self.gamma,self.lmbda,td_delta.cpu()).to(self.device)old_log_probs = torch.log(self.actor(states).gather(1,actions)).detach()for _ in range(self.epochs):log_probs = torch.log(self.actor(states).gather(1,actions))ratio = torch.exp(log_probs - old_log_probs)surr1 = ratio * adaventagesurr2 = torch.clamp(ratio，1-self.eps,1+eps) * advantage #截断 #限制范围actor_loss = torch.mean(-torch.min(surr1,surr2)) #PPO损失函数critic_loss = torch.mean(F.mse_loss(self.critic(states),td_target,detach())) #评论家的损失self.actor_optimizer.zero_grad()self.critic_optimizer.zero_grad()actor_loss.backward()critic_loss.backward()self.actor_optimizer.step()self.critic_optimizer.step()

接下来开始生成专家数据，我们只生成一条轨迹，并从中采样30个状态动作样本(s,a)。我们只用者30个专家数据样本来训练模仿策略。

def sample_-expert_data(n_episode):states = []actions = []for episode in range(n_episode):state = env.reset()done = Falsewhile not done:action = ppo_agent.take_action(state)states.append(state)actions.append(action)next_state,reward,done,_ = env.step(action)state = next_statereturn np.array(states),np.array(actions)

行为克隆的代码

在BC中，我们将专家数据中(st,at)的at视为标签，行为克隆算法BC则转化为监督学习中经典的分类问题，采用最大似然估计的训练方法可得到分类结果。

class BehaviorClone:def __init__(self,state_dim,hidden_dim,action_dim,lr):self.policy = policyNet(state_dim,hidden_dim,action_dim).to(device)self.optimizer = torch.optim.Adam(self.policy.parameters(),lr=lr)def learn(self,states,actions):states = torch.tensor(states,dtype=torch.float).to(device)actions = torch.tensor(actions).view(-1,1).to(device)log_probs = torch.log(self.policy(states).gather(1,actions))bc_loss = torch.mean(-log_probs) #最大似然估计self.optimizer.zero_grad()bc_loss.backward()    #关键，用最大似然估计来更新网络，使其更接近专家系统self.optimizer.step()def take_action(self,state):state = torch.tensor([state],dtype=torch.float).to(device)probs = self.policy(state)action_dist = torch.distributions.Categorical(probs)action = action_dist.sample()return action.item()def test_agent(agent,env,n_episode):return_list = []for episode in range(n_episode):episode_return = 0state = env.reset()done = Falsewhile not done:action = agent.take_action(state)next_state,reward,done,_ = env.step(action)state = next_stateepisode_return += rewardreturn_list.append(episode_return)return np.mean(return_list)

我们发现BC无法学习到最优策略，这主要是因为在数据量比较少的情况下容易发生过拟合

生成对抗模仿学习的代码

接下来我们实现GAIL的代码

首先实现判别器模型，其模型架构为一个两层的全连接网络，模型输入一个状态动作对，输出一个概率标量。

class Discriminator(nn.Module):def __init__(self,state_dim,hidden_dim,action_dim):super(Discriminator,self).__init__()self.fc1 = torch.nn.Linear(state_dim+action_dim,hidden_dim)self.fc2 = torch.nn.Linear(hidden_dim,1)def forward(self,x,a):cat = torch.cat([x,a],dim=1)x = F.relu(self.fc1(cat))return torch.sigmoid(self.fc2(x))

接下来正式实现GAIL的代码，在每一轮迭代中，GAIL中的策略和环境进行交互，采样新的状态动作对。基于专家数据和策略新采样的数据，首先训练判别器，然后将判别器的输出转换为策略的奖励信号，指导策略用PPO算法做训练。

class GAIL:def __init__(self,agent,state_dim,action_dim,hidden_dim,lr_d):self.discriminator = Discriminator(state_dim,hidden_dim,action_dim).to(device)self.discriminator_optimizer = torch.optim.Adam(self.discriminator,parameters(),
lr = lr_d)self.agent = agentdef learn(self,expert_s,expert_a,agent_s,agent_a,next_s,done):expert_states = torch.tensor(expert_s,dtype=torch.float).to(device)expert_actions = torch.tensor(expert_a).to(device)agent_states = torch.tensor(agent_s,dtype = torch.float).to(device)agent_actions = torch.tensor(agent_a).to(device)expert_actions = F.one_hot(expert_actions,num_classes = 2).float()agent_actions = F.one_hot(agent_actions,num_classes=2).float()expert_prob = self.discriminator(expert_states,expert_actions)agent_prob = self.discriminator(agent_states,agent_actions)discriminator_loss = nn.BCELoss()(agent_prob,torch.ones_like(agent_prob))+nn.BCELoss()(expert_prob,torch.zeros_like(expert_probs))self.discriminator_optimizer.zero_grad()discriminator_loss = .backward()self.discriminator_optimizer.step()reward = -torch.log(agent_prob).detach().cpu().numpy() #使用鉴别器输出的概率计算代理的奖励，奖励为负对数概率。这种奖励机制鼓励代理生成的数据更接近真实数据。transition_dict = {'states':agent_s,'actions':agent_a,'rewards':rewards,'next_states':next_s,'dones':dones}self.agent.update(transition_dict)

几个关键点

• 鉴别器的作用：鉴别器用于区分专家数据和代理生成的数据，其输出的概率用于计算代理的奖励。
• 奖励计算：通过负对数概率计算奖励，使得代理在生成数据时更倾向于生成与专家数据相似的样本。

• 代理更新：使用计算得到的奖励和其他数据来更新代理的策略，使其更好地模仿专家的行为。

通过上面的实验对比我们可以直观地感受到，在数据样本有限的情况下，BC不能学习到最优策略，但是GAIL在相同的专家数据下可以取得非常好的结果，这一方面归因于GAIL的训练目标（拉近策略和专家的占用度）十分贴合模仿学习任务的目标，避免了BC中的复合误差问题；另一方面得益于在GAIL的训练中，策略可以和环境交互出更多的数据，以此训练判别器，进而生成对基于策略“量身定做”的指导奖励信号。